面向胰腺医学图像分割的带自适应 TverskyCE 损失的 UNet-3D
图像与视频处理
2025-07-18 v2
摘要
胰腺癌是一种生存率低的癌症，也是最难有效诊断和治疗的癌症之一。通过腹部计算机断层扫描（CT）进行早期检测至关重要，但由于胰腺解剖位置隐蔽、尺寸小且常被周围器官遮挡，使得胰腺的识别和精确分割尤为困难。虽然深度学习（DL）模型在分割任务中展现出潜力，但其性能仍需显著提升以应对这些挑战。在本研究中，我们为 DL 模型训练提出了一种新颖的自适应 TverskyCE 损失函数，该函数通过可学习权重将 Tversky 损失与交叉熵损失相结合。我们的方法能够在训练过程中自动调整损失贡献，动态优化目标函数以提高性能。所有实验均在美国国立卫生研究院（NIH）胰腺-CT 数据集上进行。我们在 UNet-3D 和 Dilated UNet-3D 上评估了自适应 TverskyCE 损失，我们的方法达到了 85.59% 的 Dice 相似系数（DSC），峰值性能高达 95.24%，以及 85.14% 的分数。与使用 Tversky 损失的基线 UNet-3D 相比，胰腺分割的 DSC 和分数分别提高了 9.47% 和 8.98%。关键词：胰腺分割，Tversky 损失，交叉熵损失，UNet-3D，Dilated UNet-3D
引用
@article{arxiv.2505.01951,
title = {UNet-3D with Adaptive TverskyCE Loss for Pancreas Medical Image Segmentation},
author = {Xubei Zhang and Mikhail Y. Shalaginov and Tingying Helen Zeng},
journal= {arXiv preprint arXiv:2505.01951},
year = {2025}
}
备注
12 pages and 3 figures